source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-295.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.287.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
56 29 23 37 7 55 27 39 39 54 39 53 37 52 23 14
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
33 46 49 49 45 23 68 44 49 24 53 76 83 62 33 39
33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
67 44 57 49 41 37 34 33 27 40 25 31 20 22 28 39
49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
18 9 52 46 50 36 56 11 40 53 50 40 52 31 38 22
65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
22 20 32 28 36 47 30 54 48 33 53 59 45 68 47 56
81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96
38 28 31 36 53 35 50 39 42 45 49 35 33 46 40 53
97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112
43 40 27 12 43 35 31 36 29 42 47 49 52 30 33 28
113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128
25 21 36 24 12 38 59 36 30 6 38 48 34 47 59 52
129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
28 22 23 58 54 58 51 49 32 31 41 55 43 33 53 49
145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
50 30 37 22 11 15 51 24 38 51 31 40 49 34 33 38
161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176
43 36 37 28 40 37 46 14 23 19 45 46 54 13 16 65
177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
66 55 41 29 26 41 60 42 41 48 45 45 30 31 43 44
193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208
38 54 41 22 14 22 37 23 55 28 43 55 31 45 44 28
209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224
42 47 36 18 36 28 43 41 38 23 21 32 79 54 39 37
225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240
36 43 58 60 46 36 45 58 34 19 34 44 36 37 45 58
241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256
66 44 61 36 39 26 35 37 21 26 47 50 20 48 32 36
257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272
45 61 28 39 32 23 31 44 35 49 38 31 24 41 58 77
273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
61 41 12 52 52 80 35 46 48 46 51 39 28 35 31 36
289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304
46 28 72 38 47 44 31 42 47 52 23 12 67 48 25 46
305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320
39 18 27 43 27 24 28 47 38 34 38 37 32 32 40 41
321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336
52 46 38 49 26 39 53 43 18 39 47 45 34 27 32 41
337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352
34 43 50 41 34 30 21 51 35 42 49 37 25 15 58 38
353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368
41 42 56 11 42 50 48 34 25 26 37 24 32 31 39 45
369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384
31 55 38 37 36 55 57 31 49 43 41 51 35 51 41 48
385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400
34 40 68 52 52 57 49 42 49 38 40 50 30 40 27 37
401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416
38 49 63 24 35 13 37 54 25 45 31 21 37 47 23 25
417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432
42 32 36 42 42 34 32 50 24 39 44 41 29 34 61 44
433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448
32 29 44 39 51 39 51 46 48 62 48 51 41 26 40 37
449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464
36 40 54 60 48 38 31 48 9 56 43 28 32 39 32 49
465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480
30 17 15 18 21 45 38 37 38 32 45 48 30 46 25 38
481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496
61 52 61 33 39 37 53 48 47 41 43 48 57 40 47 29
497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512
19 26 15 33 60 52 51 33 42 47 2 33 31 37 59 30
513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528
86 30 48 47 39 32 48 36 41 36 29 31 40 44 17 36
529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544
38 44 40 63 47 38 24 32 48 43 31 37 39 39 44 52
545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560
45 43 25 26 24 29 72 57 59 55 39 52 51 24 19 35
561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576
68 43 62 44 33 42 40 44 45 46 41 39 38 35 43 21
577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592
38 26 37 51 36 46 29 27 25 25 33 36 28 33 36 32
593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608
41 25 29 55 16 22 21 20 40 29 53 49 37 27 23 44
609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624
18 50 49 16 52 26 18 7 40 43 46 37 30 34 45 37
625 626 627 628 629 630 631 632 634 635 636 637 638 639 640 641
30 18 16 16 24 36 31 30 33 23 27 31 43 33 47 34
642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657
24 35 22 43 43 38 29 30 21 52 34 43 44 36 48 30
658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673
41 58 33 50 44 45 23 46 33 19 43 45 37 22 48 45
674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689
29 32 29 17 21 27 25 22 32 29 28 42 36 28 44 34
690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705
42 34 43 41 25 22 8 32 33 29 40 49 24 32 40 17
706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721
52 60 38 60 18 30 21 58 31 23 11 41 40 47 36 45
722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737
52 36 31 24 21 33 24 18 36 30 47 43 47 34 40 46
738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753
49 31 42 50 33 36 11 10 29 47 42 39 46 68 43 21
754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769
37 47 31 22 52 38 59 28 42 37 42 28 67 48 31 60
770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785
18 47 44 48 34 31 41 24 25 20 18 24 44 55 60 54
786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801
40 42 42 33 47 40 31 26 22 13 17 29 33 27 23 28
802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817
25 23 27 28 49 62 22 43 33 35 49 41 59 55 44 61
818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833
49 45 49 38 39 44 54 42 48 56 29 36 19 39 39 30
834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849
32 16 44 47 59 51 30 49 41 33 27 28 23 22 19 21
850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 866
50 48 59 41 15 30 33 30 43 45 32 45 40 36 45 43
867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882
58 44 52 62 61 29 29 48 38 43 50 45 26 39 31 31
883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898
27 24 42 43 33 27 35 35 35 37 47 18 28 24 26 32
899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914
39 3 83 54 61 58 48 62 76 53 49 28 50 66 60 42
915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930
46 2 48 27 56 29 41 72 42 44 62 61 38 25 41 49
931 932 933 934 935 936 937 938 939 940 941 942 943 944 946 947
31 29 35 51 45 43 36 38 26 37 33 39 22 26 21 18
948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963
41 74 72 53 59 69 43 29 41 50 51 75 54 49 29 58
964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979
5 76 61 40 35 48 23 77 54 60 34 33 40 47 56 30
980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 996
45 41 42 36 30 22 35 46 46 54 39 37 51 39 31 30
997 998 999 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013
41 36 38 36 37 58 26 30 18 40 55 57 30 36 42 3
1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029
42 54 43 58 36 56 54 46 40 35 32 41 39 37 37 45
1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1045 1046
31 43 38 36 32 30 15 24 35 47 39 40 41 34 43 36
1047 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1063 1064 1065
31 48 39 7 2 10 55 53 46 17 22 35 6 33 22 31
1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081
36 21 28 57 62 36 46 49 50 44 51 23 35 29 28 45
1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1098
69 48 42 28 33 38 37 45 24 42 39 14 23 34 26 41
1099 1100 1101 1102 1103 1104 1105 1106 1109 1110 1111 1112 1113 1114 1115 1116
40 70 31 47 32 25 23 91 20 45 75 27 18 56 29 40
1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132
26 19 34 40 39 28 17 37 29 42 25 14 31 20 41 41
1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1146 1147 1148 1149
50 60 40 36 23 45 45 33 33 15 31 14 41 43 30 43
1150 1151 1152 1153 1154 1155 1156 1158 1159 1160 1161 1162 1163 1164 1165 1166
29 55 44 36 50 30 84 45 25 50 40 26 28 33 75 109
1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182
60 47 54 31 61 35 57 56 53 23 52 42 26 40 37 53
1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198
32 60 49 33 41 33 41 31 26 23 26 35 37 35 29 55
1199 1200 1201 1202 1204 1205 1206 1207 1208 1210 1211 1212 1213 1215 1216 1217
39 31 31 58 41 22 59 82 65 71 53 39 77 91 47 90
1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1230 1231 1232 1233 1235
69 32 34 39 35 54 40 43 32 39 27 54 33 41 39 31
1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251
32 54 62 43 35 28 11 19 24 42 43 24 44 37 22 58
1252 1253 1254 1255 1256 1257 1258 1259 1261 1262 1263 1264 1266 1267 1268 1269
16 57 42 37 1 4 36 58 51 26 53 73 53 71 67 72
1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285
29 50 42 30 48 49 42 43 34 57 49 44 34 71 50 38
1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1305
20 15 48 41 51 28 10 25 26 33 57 44 39 32 31 45
1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321
36 9 46 29 42 41 31 71 54 39 42 45 61 39 50 29
1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337
44 39 36 38 39 20 27 49 14 68 49 30 28 33 50 36
1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353
51 54 17 43 28 7 23 59 35 33 34 27 22 38 53 25
1354 1356 1357 1359 1360 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372
30 61 42 70 57 70 64 20 20 60 24 25 52 58 30 61
1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388
38 34 35 33 39 66 33 53 45 28 41 19 35 58 41 57
1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404
30 43 41 22 9 48 20 24 49 25 29 20 56 28 58 19
1406 1407 1408 1410 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424
53 53 44 38 39 26 47 38 18 34 43 46 50 54 44 40
1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440
49 46 30 43 65 63 21 42 43 60 29 55 60 44 56 43
1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1457
26 29 5 19 37 10 20 22 21 16 56 85 53 64 54 71
1458 1459 1460 1461 1462 1463 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474
71 54 53 44 24 22 34 45 29 16 27 38 43 44 55 49
1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490
59 48 63 49 55 44 58 41 48 27 35 63 59 66 49 42
1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1504 1505 1507 1508
26 42 28 10 23 27 29 37 3 3 66 60 53 49 56 62
1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524
40 52 44 44 40 28 28 28 24 10 11 35 20 26 63 46
1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540
45 66 66 48 44 33 29 29 36 42 57 59 56 43 54 26
1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556
23 23 18 23 18 8 11 10 3 12 58 75 52 30 58 31
1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573
41 26 44 44 59 50 45 42 44 33 35 19 16 31 69 55
1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589
41 33 43 36 57 38 57 37 42 36 49 61 54 52 43 38
1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605
24 33 31 29 33 28 6 17 16 9 11 34 36 47 35 47
1606 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622
50 50 88 60 41 44 51 40 37 37 31 41 38 14 10 27
1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1640 1641
24 24 38 43 58 49 44 51 34 24 41 35 47 43 37 22
1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657
34 36 38 33 8 16 8 8 5 62 11 80 18 37 15 28
1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674
49 69 50 47 63 39 49 30 42 39 41 42 73 57 28 28
1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1688 1689 1691 1692
33 30 39 34 36 32 37 23 44 27 31 33 9 3 24 36
1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1709
13 29 41 19 7 15 7 8 74 57 46 54 76 68 35 80
1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725
66 55 40 45 51 36 34 42 61 39 67 52 52 18 43 28
1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1740 1741 1742 1743 1744
30 26 29 17 23 23 42 26 15 25 18 35 53 30 29 37
1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1759 1760 1761
16 43 18 5 7 12 71 89 50 53 49 73 68 41 58 23
1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1777 1778
26 36 48 33 48 42 41 43 48 62 39 63 57 14 39 36
1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794
27 33 24 37 31 38 26 22 42 15 21 34 35 33 35 37
1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1809 1810 1811
28 40 32 6 17 6 46 35 89 93 54 58 24 67 99 45
1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1828 1829
36 50 24 37 47 53 53 76 42 61 72 46 47 29 5 17
1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845
8 36 46 35 42 59 34 26 26 26 27 36 34 56 35 49
1846 1847 1850 1851 1852 1853 1854 1855 1856 1857 1858 1860 1861 1862 1863 1864
42 47 38 45 66 33 71 52 55 47 29 48 85 34 31 31
1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1877 1878 1879 1880 1881
36 32 43 48 46 59 34 49 73 32 30 15 30 33 37 18
1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897
38 51 54 33 30 37 22 31 14 31 36 31 29 35 51 37
1898 1899 1900 1901 1902 1903 1904 1905 1906 1907 1909 1910 1911 1912 1913 1914
34 48 38 62 56 84 59 33 44 44 45 51 47 55 35 50
1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930
31 36 29 40 28 36 38 30 43 48 25 28 44 27 46 45
1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946
14 50 38 28 48 62 47 38 42 35 29 24 42 38 32 39
1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1960 1961 1962 1963 1964
26 45 52 33 24 45 37 41 40 41 31 30 31 24 29 37
1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980
30 48 41 50 44 53 38 23 30 27 19 31 21 46 44 60
1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
44 43 29 38 46 55 31 47 37 29 26 40 30 32 51 32
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2008 2010 2011 2012 2013 2014
19 22 27 38 36 45 43 47 23 15 30 17 38 32 38 23
2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030
35 61 31 28 52 53 66 59 30 25 28 26 61 32 49 47
2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046
30 43 39 32 33 36 82 38 21 29 46 27 26 48 30 33
2047 2048 2049 2050 2051 2052 2053 2054 2057 2058 2060 2061 2062 2063 2064 2065
15 22 28 26 23 31 64 73 71 81 37 39 37 16 32 51
2066 2067 2068 2069 2070 2071 2072 2073 2075 2076 2077 2078 2079 2080 2081 2082
35 43 67 40 44 60 22 15 37 39 63 42 60 64 36 43
2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098
40 42 35 31 29 54 40 39 36 43 49 29 41 36 30 24
2099 2100 2101 2102 2103 2105 2106 2107 2110 2111 2112 2113 2114 2115 2116 2117
25 24 29 35 56 23 35 67 19 31 28 18 46 59 58 22
2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133
43 46 25 44 42 55 71 33 54 36 31 34 37 37 41 32
2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149
32 22 11 52 36 45 31 52 47 58 33 34 43 23 49 26
2150 2151 2152 2153 2155 2156 2157 2159 2161 2162 2163 2164 2165 2166 2167 2168
24 15 36 53 32 45 44 81 35 46 28 39 49 55 55 59
2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184
13 36 60 64 37 54 57 61 55 53 47 56 42 54 29 68
2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200
3 53 28 36 52 69 16 43 61 64 39 38 49 34 43 33
2201 2202 2204 2205 2206 2208 2209 2211 2212 2213 2214 2215 2216 2217 2218 2219
35 32 27 46 50 97 72 23 31 34 43 53 49 26 41 52
2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235
49 72 51 64 53 68 77 31 27 47 46 53 56 42 34 36
2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251
41 37 31 49 55 43 42 32 43 30 36 32 38 38 30 34
2252 2253 2254 2255 2256 2258 2259 2260 2262 2263 2264 2265 2266 2267 2268 2269
14 23 30 43 39 11 28 94 29 31 42 50 35 20 18 35
2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285
41 45 43 36 49 84 33 50 72 50 51 26 63 21 13 28
2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299 2300 2301
43 49 32 41 58 55 33 39 54 27 39 65 38 35 47 21
2302 2303 2304 2305 2307 2308 2309 2311 2312 2313 2314 2315 2316 2317 2318 2319
22 30 43 24 20 24 72 28 45 19 44 37 59 35 40 34
2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335
49 26 30 48 52 70 43 54 59 44 57 43 26 33 29 37
2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349 2350 2351
47 61 18 53 26 46 14 53 59 36 36 33 48 46 37 15
2352 2353 2354 2357 2358 2359 2361 2362 2363 2364 2365 2366 2367 2368 2369 2370
7 32 45 5 45 76 35 38 53 53 29 54 59 31 21 30
2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 2386
29 46 38 49 52 39 39 43 72 47 29 45 39 34 34 40
2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400 2401 2402
41 9 39 34 40 35 58 49 55 32 39 46 38 36 16 37
2405 2406 2407 2408 2409 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421
31 60 76 78 83 55 49 44 44 51 24 36 17 46 50 66
2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2435 2436 2437
46 52 58 41 43 56 54 75 31 55 39 33 31 33 17 34
2438 2439 2440 2441 2442 2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2454
30 34 46 25 44 48 69 39 39 52 25 30 35 10 18 12
2455 2456 2457 2458 2459 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471
29 47 42 56 57 35 35 19 30 24 26 52 14 41 40 31
2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486 2487
47 30 54 60 37 54 46 46 59 25 43 37 43 34 39 43
2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499 2500
33 41 41 47 42 46 49 46 31 32 43 20 38
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2413 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("tmax", "tmin", "precip", "nevada", "prof_nieve", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)